Upload
doanh
View
223
Download
4
Embed Size (px)
Citation preview
Zapadoceska univerzita v Plzni
Katedra informatiky a vypocetnı techniky
Univerzitnı 8
306 14 Plzen
Ceska republika
Experimentalnı model systemu zpracovanıjazyka a reci v mozkuRigoroznı prace
Petr Kratochvıl
Technicka zprava c. DCSE/TR-2013-7
Zarı, 2013
Distribuce: verejna
Technicka zprava c. DCSE/TR-2013-7
Zarı, 2013
Experimentalnı model systemu zpracovanıjazyka a reci v mozku
Petr Kratochvıl
Abstrakt
Autor tohoto dokumentu v nem popisuje svoji praci patrıcı do oblasti obecne
umele inteligence, anglicky”Artificial General Intelligence“ (AGI). Tato oblast je
zde definovana. Je rozebrana i motivace, proc se touto oblastı zabyvat. Strucne
receno se jedna o umelou inteligenci, ktera nema predprogramovana pravidla jako
napr. sachovy program a zaroven zpracovava a uklada znalosti v univerzalnım
formatu nezavislem na prostredı, ze ktereho prijıma znalosti a jadro teto umele in-
teligence zustava pro ruzna prostredı naprogramovane stejne. Je zde popsan navrh
simulatoru s obecne fungujıcı umelou inteligencı bezıcı na beznem pocıtaci, ktery
dale obsahuje prostredı, metodu pro ukladanı a metodu pro aplikaci naucenych zna-
lostı.
Copies of this report are available on
http://www.kiv.zcu.cz/publications/
or by surface mail on request sent to the following address:
University of West Bohemia in Pilsen
Department of Computer Science and Engineering
Univerzitnı 8
30614 Pilsen
Czech Republic
Copyright c© 2013 University of West Bohemia in Pilsen, Czech Republic
PODEKOVANI
Dekuji Doc. Dr. Ing. Jane Kleckove ze Zapadoceske Univerzity v Plzni za ve-
denı v doktorskem studiu. Dekuji take absolventovi doktorskeho studia Ing. Pet-
rovi Maulemu, Ph.D. a doktorandce Mgr. Svetlane Machove ze Zapadoceske Uni-
verzity v Plzni za cenne rady, kontrolu prekladu a celkovou podporu v mem studiu.
OBSAH
1 Uvod 6
2 Artificial General Intelligence 9
2.1 Definice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Motivace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 Vyvoj umele inteligence . . . . . . . . . . . . . . . . . . . . . 10
2.2.2 Raymond Kurzweil . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.3 Vykon hardware . . . . . . . . . . . . . . . . . . . . . . . . . 11
3 Simulator 13
4 Virtualnı prostredı 15
4.1 Novamente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.1.1 OpenCogBot . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.1.2 OpenPetBrain . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2 Navrzena virtualnı prostredı . . . . . . . . . . . . . . . . . . . . . . . 18
5 Datova struktura 20
5.1 Semanticke sıte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5.2 Semanticke neuronove sıte . . . . . . . . . . . . . . . . . . . . . . . . 21
5.3 Conceptual Dependency . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.4 Ramce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.5 Scenare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.6 Pouzita datova struktura . . . . . . . . . . . . . . . . . . . . . . . . . 24
6 Vyhledavanı znalostı 27
6.1 Spreading Activation . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
6.2 Texai . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
6.3 Navrzena metoda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
7 Editor 30
8 Mozne aplikace v praxi 31
8.1 Roboti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
8.2 Pocıtacova hra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
8.3 Komunikace v prirozenem jazyce . . . . . . . . . . . . . . . . . . . . 32
8.4 Diar aneb inteligentnı osobnı asistent . . . . . . . . . . . . . . . . . . 32
8.5 Robot ve skutecnem svete . . . . . . . . . . . . . . . . . . . . . . . . 32
4
9 Schopnosti 34
9.1 Navrh podle Goertzela . . . . . . . . . . . . . . . . . . . . . . . . . . 34
9.2 Navrzene schopnosti . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
10 Zaver 39
10.1 Souhrn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
10.2 Cıle doktorske prace . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Literatura 41
5
1 UVOD
Nazev tematu dizertacnı prace autora, ktera bude sepsana na zaver jeho studia,
znı:”Experimentalnı model systemu zpracovanı jazyka a reci v mozku.“ Pod tento
nazev patrı nekolik vednıch oblastı. Minimalne analyza reci, synteza reci a umela
inteligence, ktera zpracovava zanalyzovanou rec a je zdrojem pro syntezu reci. Kazda
z techto oblastı je velmi rozsahla a proto si autor teto prace vybral jen jednu z nich a
to umelou inteligenci jejımz vstupem jsou udalosti vcetne textove interakce v danem
prostredı a vystupem jsou akce vcetne textovych interakcı v danem prostredı.
Tato oblast je zde pojata jako navrh autonomnı simulace, ve ktere budou
probıhat deje napodobujıcı zpracovanı slov v lidskem mozku po jejich semanticke
strance. Jakym zpusobem zpracovavat slova tak, aby byl vysledek at’ uz v kterekoliv
podobe podobny vysledku, ktery by vzesel od lidskeho mozku? Autor se domnıva,
ze musı byt splneny tyto podmınky:
1. Simulace bude mimo jine ukladat slova.
2. Simulace musı probıhat tak, aby”chapala“ vyznam slov, ktera bude mıt
ulozena. Pokud chce clovek”chapat“ vyznam nejakeho slova, potrebuje mıt
toto slovo nebo vıce slov asociovanych prımo ci neprımo s objekty ci udalostmi
v prostredı, ve kterem existuje. Z toho vyplyva, ze aby simulace”chapala“
vyznamy slov a nepouzıvala je jen napr. na statistickem zakladu. K tomu
potrebuje mıt jako svoji soucast prostredı, ktere obsahuje objekty a take
udalosti, jenz se postupne odehravajı v case. Pro lepsı predstavu si rekneme,
ze bychom jiz od narozenı nemeli funkcnı ani jeden ze svych peti smyslu.
Prisli bychom tedy o jakykoliv kontakt s nasım prostredım. Dejme tomu, ze by
se presto podarilo nejakym zpusobem textove s nami komunikovat. Dokazali
bychom pochopit vyznam slova”zidle“? Ptali bychom se, co je to
”sedet“,
”gra-
vitace“,”smer“,
”dolu“. Proto se autor domnıva ze provazanı naucenych slov
s prostredım ktere tedy musı existovat je nezbytne. Cela simulace se tedy bude
skladat z jadra simulace kam se budou ukladat a zpracovavat slova a k nim
asociovane znalosti. Dale se sklada z umele vytvoreneho prostredı, z metody
ukladajıcı slova a objekty a udalosti prostredı do jadra. A take z metody,
ktera naopak generuje udalosti vztazene k objektum z prostredı a je schopna
simulovat zpracovanı slov.
3. Ukolem jadra simulace bude ukladanı a zpracovanı slov a to musı fungovat
obecne. Dalo by se rıci, ze se bude jednat o obecny znalostnı system. Tento
system by mel byt pouzitelny beze zmeny v ruznych prostredıch. Lidsky mozek
je take schopen projevovat svoji inteligenci v ruznych prostredıch s ruznymi
6
specifickymi pravidly pro ta prostredı, at’ se jedna o sachovnici, pocıtacovou
hru, burzu nebo jine autonomnı prostredı. Pokud chceme simulovat, jak lidsky
mozek zpracovava slova, pak musıme simulaci vyvinout tak, aby nebyla vazana
pouze na jedno urcite prostredı. Tato simulace zpracovavanı slov je zaroven
urcitym projevem inteligence, kterou vytvorıme umele, bude se tudız v teto
simulaci jednat o tzv.”umelou inteligenci“. Protoze jadro simulace nebude
pevne vytvoreno pro jedno urcite prostredı, ale bude navrzeno obecne a to
nezavisle na prostredı, bude se jednat o”obecnou umelou inteligenci“. Spravny
nazev vsak znı”silna umela inteligence“ neboli anglicky
”Strong Artificial
Intelligence“ nebo tez je nejcasteji pouzıvany nazev v anglictine”Artificial
General Intelligence“ (AGI), ktery bude nadale v teto praci pouzıvan, protoze
je v soucasne dobe uzıvan v pozadovanem smyslu nejcasteji. V dalsı kapitole
se budeme zabyvat AGI vıce.
Souhrnem receno chce autor vyvinout aplikaci simulujıcı zpracovanı jazyka a reci
v mozku, jejız soucastı bude jadro simulace a jedno nebo vıce prostredı. Tato
prostredı budou v teto vyvojove fazi pro jednoduchost virtualnı, tj. bude se jednat
o 2D virtualnı prostor, sachovnici apod. zobrazenou na obrazovce a ne o snımanı
obrazu kamerami, zvuku mikrofonem a generovanı odpovedı do reproduktoru.
Jadro, tvorene znalostnım systemem, se bude skladat z:
1. datoveho modelu, do ktereho budou znalosti ukladany;
2. metody ukladanı znalostı z prostredı;
3. metody aplikujıcı znalosti v prostredı.
Jedno nebo pozdeji vıce virtualnıch prostredı, na ktera budou znalosti v jadre
navazany, se bude skladat z:
1. objektu specifickych pro dane prostredı;
2. udalostı probıhajıcıch v case, ktere budou zaznamenavany do jadra simulace;
3. akcı provadenych v case, ktere budou generovane v jadre simulace.
Vsechny tyto soucasti je potreba navrhnout, resp. jiz jsou z velke casti navrzeny,
viz dale. Mnozina moznych udalostı a akcı bude tvorit rozhranı specificke pro dane
prostredı. Autor klade duraz na obecnost. Podobnou simulaci popisujı i autori
clanku [3]. Pro lepsı nazornost byl vytvoren obr. 3.1 v kapitole 3.
Zpracovanı reci se tez tyka vednıch oblastı jako je analyza reci a synteza reci.
Ty v uplynulych letech dosahly velkeho pokroku (viz [2]) a v soucasne dobe se resı
jiz ne zcela zakladnı problemy. Resı se napr. analyza reci zaznamenane v prostredı
7
s vyskytujıcım se sumem nebo tez optimalizace pomocı umele neuronove sıte nebo
genetickych algoritmu, viz [11]. Jiz ale problem zpracovanı jazyka v podobe v pameti
ulozenych textovych vet je natolik komplexnı problem, ze se autor rozhodl zamerit
jen na zpracovanı jiz rozpoznanych textu a take vystupem jsou jenom texty. Pro
rozsahlost teto problematiky se autor nezabyva analyzou a syntezou reci.
8
2 ARTIFICIAL GENERAL INTELLIGENCE
”Artificial General Intelligence“, tez
”Strong AI“ nebo cesky
”Silna Umela Inteli-
gence“ je termın, pro ktery nenı snadne najıt definici, jelikoz se jedna o vednı oblast,
ktera je relativne nova. Napr. v Ceske republice uznavane databazi odbornych pub-
likacı Web of Knowledge s placenym prıstupem nalezneme k datu 13. 1. 2013 celkem
36 publikacı obsahujıcıch v nazvu nebo v textu za sebou slova”Artificial General
Intelligence“, kde nejstarsı publikace je z roku 2006. Na klıcova slova”Artificial In-
telligence“ vsak nalezneme dokonce 39 publikacı namatkove z roku 1980 nebo take
dokonce 320 publikacı z roku 1990. Tez v jinych databazıch publikacı nebo po po-
rade s odbornıky snadno zjistıme, ze AGI je opravdu nove vzniklou oblastı vyzkumu,
ve ktere zacaly byt vydavany hodnotne publikace teprve kolem roku 2006. Je proto
obtızne zıskat urcite presne informace o AGI, napr. definici AGI.
2.1 Definice
Jelikoz se jedna o relativne novou oblast, muzeme narazit na vıce definic, ktere se
vzajemne nevylucujı. Dle [18] se jedna o”schopnost provadet obecne inteligentnı
akce“. Prımo definicı AGI se zabyva clanek [26], jehoz abstrakt vsak zacına po
prekladu do cestiny vetou:”Obecna umela inteligence (AGI) nema pevnou definici,
ale kazdy verı, ze ji pozna, jakmile bude objevena.“
Pro lepsı predstavu je vsak vhodnejsı pouzıt definici na strance”About Us“ na
[7], kterou autor teto prace prelozil z anglictiny do cestiny nasledovne:
Obecna umela inteligence (AGI) ma tyto vlastnosti:
1. Jadro systemu AGI pracuje stejnym zpusobem v kazde aplikaci.
2. Nema predprogramovana pravidla.
3. Zpracovavana data jsou v univerzalnım formatu.
4. Specificke rozhranı konvertuje data do tohoto univerzalnıho formatu.
9
2.2 Motivace
2.2.1 Vyvoj umele inteligence
Zijeme v dobe, ve ktere nas uspesne porazı pocıtacem rızenı souperi v pocıtacovych
hrach. At’ uz se jedna o ty akcnı nebo treba o sachovy program, hrajı pocıtacem rızenı
souperi tyto hry na mistrovske urovni. Pritom se projevujı urcitou inteligencı, ktera
je ale omezena jen na urcitou oblast a tak se naprıklad sachovy program nedokaze
naucit hrat damu natoz aby nam radil treba jak mame uvarit dobrou veceri. Opakem
je AGI, kde se z podstaty slova”General“ aneb v cestine
”obecny“ jedna o umelou
inteligenci, ktera je schopna se ucit v co nejvetsım mnozstvı ruznych prostredı.
Takova umela inteligence zatım prılis rozsırena nenı, protoze AGI je relativne novym
tematem, jak jiz bylo vyse napsano. To nam poskytuje vybornou prılezitost pro novy
hodnotny prınos vede.
2.2.2 Raymond Kurzweil
”Kurzweil believes that we’re approaching a moment when computers will become
intelligent, and not just intelligent but more intelligent than humans. When that
happens, humanity — our bodies, our minds, our civilization — will be completely
and irreversibly transformed. He believes that this moment is not only inevitable but
imminent. According to his calculations, the end of human civilization as we know
it is about 35 years away.“
– Vedecky magazın Time, 7. unora 2011 [12]
Raymond Kurzweil, zmıneny v teto citaci, je vizionar uznavany Billem Gate-
sem, spoluzakladatelem spolecnosti Microsoft. Sam Bill Gates o nem prohlasil, ze
”Raymond Kurzweil je nejlepsı na svete v predikci budoucnosti.“[13]
Muzeme si myslet, ze zlomovy bod, kdy umela inteligence dosahne inteligencnı
urovne cloveka nastane za uvedenych 35 let. Muzeme si myslet, ze tento bod nastane
za delsı dobu, treba az za 350 let. Muzeme si myslet, ze se tentokrat Raymond Kur-
zweil mylı a ze umela inteligence nikdy nedosahne urovne inteligence cloveka. Ovsem
polozme si otazku, co by v tom branilo? Zatım muzeme sledovat vyvoj inteligence
od prvnıch pokusu az po naprıklad virtualnıho asistenta Siri, ktery nam umoznuje
ovladat chytry telefon iPhone od firmy Apple hlasem. Muzeme tez sledovat vyvoj
pocıtacoveho hardwaru. Zastavı se vyvoj umele inteligence nebo hardwaru drıve,
10
nez pocıtac dosahne inteligence cloveka? Nebo bude vyvoj obojıho pokracovat do-
statecne dlouho az ke Kurzweilem zmınene premene nası civilizace a my nynı mame
jedinecnou prılezitost byt soucastı vyvoje vedoucıho k tomuto evolucnımu zlomu?
Tato kapitola se nazyva”Motivace“ a proto si dovolı vyse uvedene otazky po-
nechat bez odpovedi, kterou by totiz bylo nemozne exaktne dokazat. Ucelem teto
kapitoly je jen demonstrovat, proc ma smysl se AGI zabyvat.
2.2.3 Vykon hardware
”Kdy bude vykon nejvykonnejsıho pocıtace na svete dostatecny pro simulaci lidskeho
mozku?“
Lidsky mozek se sklada z priblizne 1011 neuronu a 1015 az 5 · 1015 synapsı mezi
neurony [4]. Odhadovana vypocetnı sıla lidskeho mozku, zalozena na modelu jedno-
ducheho prepınanı je kolem 1014 aktualizacı stavu neuronu za sekundu [21]. Ray-
mond Kurzweil prijal jako vykon odpovıdajıcı lidskemu mozku vykon 1016 vypoctu
za sekundu (cps) [16]. Vyvoj hardware nejvykonnejsıho pocıtace na svete zachycuje
Raymond Kurzweil na obr. 2.1.
Jak vidıme, dle odhadu Raymonda Kurzweila bude pri soucasnem trendu vyvoje
hardwaru k dispozici dostatecny vykon pro funkcnı simulaci v roce 2013 a pro neu-
ronovou simulaci presne kopie skutecneho mozku v roce 2025. Tento odhad je zde
pouzit zejmena jako motivace, takze pokud mu neverıte, nevadı. Pokud jste tomuto
alespon trochu uverili, pak vıce informacı o Kurzweilove vizi budoucnosti naleznete
v jeho knızce [15].
11
Obr. 2.1: Historie a predikce budoucıho vyvoje vypocetnı sıly nejvykonnejsıho
pocıtace na svete podle odhadu Raymonda Kurzweila, prevzato z jeho knihy [15]
12
3 SIMULATOR
Je stanoveno nasledujıcı tvrzenı: Aby umela inteligence dokazala urcitou elementarnı
znalost spravne pouzıt pri textove komunikaci, musı byt tato znalost definovana
jinymi znalostmi nebo atomickymi preddefinovanymi znalostmi. Nasleduje celkovy
popis systemu zalozeneho na tomto tvrzenı.
Tato prace se zameruje na navrh:
1. Autonomnıho simulacnıho programu, ktery bude obsahovat virtualnı prostredı,
datovy model a implementovane metody zpracovavajıcı znalosti, ktere se vy-
skytujı v tomto systemu.
2. Virtualnıho prostredı, ve kterem se nachazı objekty, ktere generujı udalosti,
kterych je jen nekolik typu, kde jeden z techto typu je zaslanı textove zpravy
od objektu k objektu.
3. Datoveho modelu co nejvıce podobneho svojı strukturou lidskemu mozku,
z cehoz mimo jine vyplyva, ze musı byt mozne do tohoto datoveho modelu
ukladat nejruznejsı druhy informacı a to textove i netextove.
4. Metody ukladanı navrzenych udalostı z vyse zmıneneho virtualnıho prostredı
do navrzeneho datoveho modelu. V prıpade pridanı dalsıch typu udalostı do
systemu, musı byt mozne tuto metodu vhodne rozsırit.
5. Metody generujıcı akce pro urcity objekt ve virtualnım svete tak, ze budou co
nejlepe napodobovat lidske chovanı. Opet je navrzeno jen nekolik malo typu
akcı, kde jeden z techto typu je zaslanı textove zpravy od objektu k objektu.
6. Zpusobu otestovanı uspesnosti dosazenı cıle simulovat lidske chovanı. Toto
bude testovano statistickym vyhodnocenım shodnosti chovanı navrzeneho
systemu s ocekavanym lidskym chovanım v urcitych preddefinovanych si-
tuacıch.
V soucasne dobe jsou jednotlive casti teto cele simulace blızko k dokoncenı.
Zaroven s dokoncovanım probıha i jejich spojenı v jeden celek. V soucasne dobe
je soucastı simulace jen jedno virtualnı prostredı reprezentovane 2D prostorem
ohranicenym ctvercem. Konec koncu teziste prace je zatım v chapanı vyznamu slov,
ne napr. v orientaci v prostoru. Nıze jsou uvedeny i ukazky jednotlivych castı cele
simulace.
Simulator je kombinacı ukladanı scenaru (kapitola 5.5) do semanticke neuro-
nove sıte (kapitola 5.2), kde k vyhledavanı znalostı je pouzit algoritmus spreading
activation (kapitola 6.1). Asi nejpodobnejsım zpusobem je ukladanı znalostı reseno
13
v prıpade Conceptual Dependency (kapitola 5.3).
Na obrazku 3.1 je znazorneny tok dat v simulatoru. Agent 1, aneb Agent rızeny
nası obecnou umelou inteligencı (AGI), se nachazı v prostredı tvorenem virtualnım
svetem. Prijıma z prostredı udalosti, ktere jsou dale propagovany do generatoru
semanticke neuronove sıte (SNS), ktery je uklada do SNS v podobe novych uzlu
a hran. Pokud je AGI pozadana o vygenerovanı vlastnı akce, je spusten na SNS
algoritmus spreading activation, jehoz vysledkem je posloupnost mnozin aktivo-
vanych uzlu, ktera je dale dekodovana na jednotlive akce, ktere pak Agent 1 ve
svem prostredı zacne provadet.
Obr. 3.1: Schema navrzeneho simulatoru
14
4 VIRTUALNI PROSTREDI
Bylo by velice uzitecne, kdyby navrzeny znalostnı system umel zpracovavat infor-
mace, s kterymi se lidi denne setkavajı, at’ uz na internetu, ve svem diari a nebo
v jinem zdroji informacı. Tato metoda vsak dava prednost schopnosti ucit se nove
znalosti, vcetne novych slov, pred zpracovanım na zaklade pevne stanovene mnoziny
znalostı. Je zalozena na tvrzenı, ze v zajmu univerzalnosti pouzitı je lepsı kdyz
system”chape“ vyznam znalostı nez aby je zpracovaval napr. na zaklade statistiky.
Aby system znalosti skutecne”chapal“, musı je mıt definovane jinymi znalostmi
nebo navaznostı na objekty, udalosti a akce v prostredı. Je dana prednost chovanı
podobneho tomu lidskemu pred ukladanım znalostı, ktere nelze snadno definovat.
Z toho vyplyva, ze navrzene prostredı musı byt jednoduche, aby nebylo prılis tezke
system naucit zakladnı znalosti jako naprıklad slova a jejich vyznam. Protoze po-
kud ho nenaucıme slova, vymyslı si svoje vlastnı, kterym ale pak nebudeme muset
rozumet. Dıky tomu je mimo jine mozne system naucit texty slozene z vet napr.
v anglickem jazyce a tım predejıt tomu, aby si system sam vymyslel nova slova.
System vsak musı byt pripraven na snadnou zamenu prostredı za slozitejsı.
4.1 Novamente
Novamente LLC je spolecnost v USA, ktera se dle jejich internetovych stranek [19]
zabyva nasledujıcım:
1. konzultace o umele inteligenci (AI);
2. analyza dat na zaklade AI;
3. vyzkumne projekty z oblasti AGI.
Firma se od roku 2001 zabyva vyvojem a aplikacı AI a AGI. Sklada se z priblizne
10 clenneho tymu a je vedena odbornıkem na AI a AGI, ktery se jmenuje Ben
Goertzel. Vysledkem verejneho vyzkumu teto spolecnosti je mimo jine AI framework
nazvany OpenCog. OpenCog je opensource AI framework a je popsan v [14]. Z nej
vychazı nektere dalsı dale zmınene projekty, tez pod vedenım Bena Goertzela.
Autor teto prace, kterou nynı ctete, si dava za cıl vytvorenı neceho po-
dobneho jako jsou nıze zmınene OpenCogBot nebo OpenPetBrain s tım rozdılem,
ze z casovych duvodu se soustredı ciste jen na jadro AGI. Ostatnı funkce, jako
je napr. vizualizace virtualnıho sveta nebo modularita, budou pojaty co nejjed-
15
nodussım zpusobem, napr. 2D vizualizace mısto 3D. Autor se take pokusı prejmout
z techto projektu co nejvıce hotove prace, pokud to bude mozne. Tez omezit nektere
funkce, napr. typy pameti.
4.1.1 OpenCogBot
Z OpenCog vychazı napr. OpenCogBot, coz je interaktivnı kognitivnı architektura,
ktera sjednocuje OpenCog se systemem hierarchicke temporalnı pameti. Vıce infor-
macı o OpenCogBot lze nalezt v [9].
OpenCogBot je interaktivnı kognitivnı architektura pro obecnou umelou inte-
ligenci (AGI) podobnou lidem vcetne urovne teto inteligence. V soucasne dobe je
ve vyvoji. Vznika integracı frameworku OpenCogPrime pro rozpoznavanı, jazyk
a ucenı na vysoke urovni inteligence s hierarchickou temporalnı pametı pro nızko-
urovnovou percepci a akce. Hlavnım principem teto architektiry je”kognitivnı syner-
gie“, kde rozdılne komponenty jsou specificky integrovane takovym zpusobem, aby
si navzajem kompenzovaly slabiny skalovatelnosti. Aktualnı predbezna implemen-
tace teto architektury rıdı robota Nao a je popsana v [9], kde je take srovnana
s predchozım projektem OpenCogPrime, ktery je pouzit k ovladanı agentu ve
virtualnıch svetech a take jsou tam popsany plany jak ucit robota Nao v”robotı
skolce“. Vyukou robotu se zabyva [10]. Architektura OpenCogBot je na obr. 4.1.
Samotny robot Nao, ktery byl vyvinut firmou Aldebaran robotics, je vyobrazen na
obr. 4.2.
4.1.2 OpenPetBrain
Dalsı existujıcı variantou OpenCog tez popsanou v [9] je OpenPetBrain, jehoz ukazka
je na obr. 4.3. OpenPetBrain ma byt zjednodusenou verzı OpenCogBot a ma za ukol
demonstrovat ruzne relevantnı funkcionality, vcetne nasledujıcıch:
1. ucenı se novemu chovanı na zaklade imitace a upevnenı zkusenostı;
2. reakce na prıkazy a otazky v prirozenem jazyce odpovıdajıcımi akcemi a od-
poved’mi v prirozenem jazyce;
3. spontannı pruzkum virtualnıho sveta;
4. zapamatovanı zkusenostı a jejich pouzitı k budoucımu ucenı a jazykovym in-
terakcım.
16
Obr. 4.1: Diagram vysoko-urovnove architektury OpenCogBot, ktery je prevzaty
z [9] a taktez v teto publikaci i detailne popsany
Obr. 4.2: Robot Nao od firmy Aldebaran robotics pouzity v projektech OpenCo-
gPrime a OpenCogBot
17
Obr. 4.3: Ukazka virtualnıho prostredı OpenPetBrain
4.2 Navrzena virtualnı prostredı
Navrzene prostredı je pro jednoduchost virtualnı svet, ktery se sklada z mapy
o rozmerech 100 × 100 bodu, ktere si lze predstavit treba jako virtualnı metry.
Tato mapa obsahuje objekty. Ukazka vizualizace takoveho virtualnıho sveta je na
obrazku 4.4.
18
5 DATOVA STRUKTURA
Autorova prace se zabyva tım, jak nejlepe pocıtacem ukladat, zıskavat a uchovavat
znalosti pro napodobenı zpracovanı jazyka a reci v lidskem mozku. Jake jsou dalsı
zpusoby uchovavanı a zpracovanı dat, ktere jsou jiz zname a podobne navrzenemu,
ktery bude dale popsan? Zde jsou kvuli relevanci a rozsahu prace uvedeny jen ty
znalostnı systemy, ktere souvisı s navrzenym simulatorem v kapitole 3.
Nasledujıcı znalostnı systemy jsou zde uvedeny pro srovnanı ci jako vychozı
systemy pro nas simulator a to kvuli nasledujıcım spolecnym vlastnostem s au-
torovou pracı:
1. Semanticke sıte . . . na navrzeny datovy model pro ukladanı znalostı lze hledet
i jako na semantickou sıt’.
2. Semanticke neuronove sıte . . . pri vybavovanı znalostı je vyuzito propagace
akcnıho potencialu.
3. Conceptual Dependency . . . jedna se o ukladanı prıbehu nezavisle na prostredı.
4. Ramce . . . jedna se o ukladanı prıbehu nezavisle na prostredı.
5. Scenare . . . jedna se o ukladanı prıbehu nezavisle na prostredı.
5.1 Semanticke sıte
V [20] jsou semanticke sıte popsany takto:
V semantickych sıtıch je znalost reprezentovana jako sıt’ uzlu spojenych hranami.
Uzly pritom predstavujı jednotliva individua, tj. predmety, jevy, cinnosti ap. a hrany
oznacujı relace (vztahy) mezi takovymi individui. Semanticka sıt’ je tedy graficky
reprezentovana orientovanym grafem. Ukazka semanticke sıte prevzata z [20] je na
obr. 5.1.
Obr. 5.1: Ukazka semanticke sıte
20
5.2 Semanticke neuronove sıte
Semanticke neuronove sıte jsou zalozeny na John von Neumannovych neuronovych
sıtıch [17] a Nikolai Amosovovych M-sıtıch [1].
Shuklin D. ve svem clanku [5] uvadı prehled o semantickych sıtıch a uvadı novy
typ sıte, tzv. semantickou neuronovou sıt’. Tato sıt’ podle [25] nema na rozdıl od
John von Neumannovych neuronovych sıtıch omezenı pro:
• topologii;
• synchronizaci – synchronizace u neuronove sıte probıha pomocı taktu, ale
v semanticke neuronove sıti mohou neurony v kazde podsıti teto sıte provadet
svoji synchronizaci pomocı jinych taktu nez zbytek sıte;
• prenos v sıti – mohou byt sıtı prenaseny libovolne typy informacı.
Popis principu semantickych neuronovych sıtı tak, jak je navrhl Shuklin D., lze
nalezt v [23]. Nalezneme tam naprıklad ukazku detekce slov z vychozıch pısmen,
viz obr. 5.2 nebo ukazku klasifikace slov, viz obr. 5.3. Aplikaci semantickych neuro-
novych sıtı lze nalezt napr. v [24].
Obr. 5.2: Ukazka detekce slov z vychozıch pısmen prevzata z [23]
Obr. 5.3: Ukazka klasifikace slov prevzata z [23]
21
5.3 Conceptual Dependency
Teorii s nazvem Conceptual Dependency poprve zverejnil v roce 1969 Roger
C. Schank ve spolupraci s L. Teslerem v [22]. V ramci teto teorie byl zverejnen mo-
del, jehoz cılem je schopnost ukladat vyznam textu v prirozenem jazyce zpusobem
nezavislym na pouzitem prirozenem jazyce. Tento model se sklada z nasledujıcıch
ctyr typu primitiv:
1. Objekty z realneho sveta (mohou mıt atributy),
2. akce z realneho sveta (mohou mıt atributy),
3. casy,
4. mısta.
Obr. 5.4: Vyznam vety”Dal jsem Billovi knızku.“ ulozeny v Conceptual Dependency
modelu
Ukazka ulozene znalosti v Conceptual Dependency modelu reprezentovane vetou
v prirozenem jazyce”Dal jsem Billovi knızku.“ je na obrazku 5.4.
5.4 Ramce
Ramce byly navrzeny M. Minskym z MIT jako zpusob reprezentace velkeho mnozstvı
znalostı obecneho vyznamu. Kazdy ramec popisuje urcity objekt mnozinou jeho
specifickych vlastnostı. Tyto vlastnosti jsou faktickymi i proceduralnımi znalostmi
a jsou ulozeny do tzv. slotu, viz obrazek 5.5. Kazdy tento slot muze byt definovan
vlastnım ramcem, viz napr. ramec na obrazku 5.6 definujıcı znama heuristicka pra-
vidla, ktera lze pouzit v byte z predchozıho obrazku. Vıce informacı o ramcıch lze
zıskat z mnoha publikacı, napr. z [20].
22
Obr. 5.5: Prıklad ramce popisujıcıho mıstnosti v byte
Obr. 5.6: Prıklad ramce obsahujıcıho heuristicka pravidla
5.5 Scenare
V [20] jsou scenare popsany nasledovne:
Scenar je znalostnı struktura, ktera popisuje stereotypnı posloupnosti udalostı,
jenz probıhajı v urcite prıcinne souvislosti. Podobne jako ramec, tak i scenar sestava
ze souboru slotu, ktere popisujı individualnı hlediska kazde dılcı ulohy. Sloty nesou
informace o tom, jake druhy hodnot majı samy obsahovat a tez co udelat, kdyz tyto
hodnoty jsou nedostupne. Z tohoto hlediska je prıstup obdobny jako u reprezentace
znalostı ramci. Ve strukture scenare majı jednotlive sloty svuj specificky vyznam.
Nazorna ukazka scenare prevzata z [20] je na obrazku 5.7.
23
Obr. 5.7: Ukazka scenare, kvuli jeho rozsahu je vynechan obsah sceny 3
5.6 Pouzita datova struktura
Pouzitou datovou strukturou je semanticka sıt’, do ktere jsou znalosti ukladany velmi
specifickym zpusobem, aby co nejvıce splnovaly pravidlo, ze kazda znalost je defi-
novana jinymi znalostmi nebo atomickymi uzly, predstavujıcımi objekty, udalosti
nebo vlastnosti v prostredı. Jedna se zaroven o orientovany graf, kde orientace hran
urcuje, ktery uzel definuje ktery jiny uzel. Ukazky starsı a aktualnı verze vizualizace
takove sıte jsou na obr. 5.8 a 5.9.
Jelikoz v lidskem mozku se nachazı ruzne funkce v ruznych castech mozku,
je otazkou, zda by bylo dobre i tento fakt napodobit rozdelenım semanticke sıte
na podsıte podle oblasti vyznamu uzlu. Autor teto prace si myslı, ze ano. Proto
uzly tvorıcı rozhranı s prostredım jsou rozdeleny do oblastı podle typu interakce v
prostredı. Tyto oblasti zavisı na prostredı a muze to byt oblast cıslovek, smeru, ba-
rev atd., viz ukazka naznacenych oblastı na obr. 5.10. Toto rozdelenı neodpovıda
presne lidskemu mozku, protoze se jedna o jine prostredı, nez je realny svet.
24
Obr. 5.8: Puvodnı verze vizualizace semanticke sıte pouzite k ukladanı znalostı,
prehlednejsı, ale prılis narocna na vizualnı prostor
Obr. 5.9: Nova verze vizualizace semanticke sıte pouzıte k ukladanı znalostı, mene
prehledna, ale mene narocna na zobrazovacı prostor a umoznuje obvyklou navigaci
ve stromove strukture
25
6 VYHLEDAVANI ZNALOSTI
6.1 Spreading Activation
Existujı ruzne metody vyhledavanı znalostı v ruznych typech datovych ulozist’.
V soucasne dobe je mimo jine popularnı problematika vyhledavanı znalostı na in-
ternetu, aneb problem tzv.”semantickeho webu“. Tyto popularnı metody vsak zde
nejsou popsany, protoze v navrzene metode jsou informace ulozeny v jiz popsane
tzv.”semanticke neuronove sıti“, jejız struktura je znacne odlisna. Z metod urcenych
k zıskanı znalostı z tohoto typu sıte byla vybrana metoda s nazvem”spreading acti-
vation“.
Spreading activation je metoda k prohledavanı neuronovych sıtı, semantickych
sıtı a asociativnıch sıtı. Necht’ v jedne z techto sıtı majı uzly skalarnı cıslo oznacujıcı
jejich vahu nebo presneji”mıru aktivacnıho potencialu“. Pak Spreading activation
je metodou urcujıcı zpusob propagace techto aktivacnıch potencialu mezi uzly spo-
jenymi hranami. Ukazka sıte, ve ktere byl nejprve uzel 1 aktivovan na 100% predem
dane konstantnı hodnoty a ostatnı na 0% a pak byla pouzita metoda Spreading
Activation, je na obrazku 6.1.
Obr. 6.1: Prıklad aktivace uzlu v orientovanem grafu po pouzitı metody Spreading
activation
Popis algoritmu
Necht’ je dan orientovany graf G = (N,E) definovany mnozinou uzlu N =
{n1, . . . , nk} a mnozinou hran E = {e1, . . . , em}. Necht’ kazdy uzel ma svoji aktivacnı
27
hodnotu ai, ktera je bez ujmy na obecnosti realnym cıslem z intervalu < 0; 1 >. Ne-
cht’ kazda hrana ma vahu wi,j, ktera je bez ujmy na obecnosti take realnym cıslem
z intervalu < 0; 1 >.
Parametry:
1. predem dana je budıcı uroven F, ktera je take realnym cıslem z intervalu
< 0; 1 >;
2. predem dan je utlumovy faktor D, ktery je bez ujmy na obecnosti take realnym
cıslem z intervalu < 0; 1 >.
Kroky algoritmu:
1. Nejprve jsou vsechny aktivacnı hodnoty ai nastaveny na hodnotu 0 a vsechny
uzly ni oznaceny jako nevybuzene.
2. Pro jeden nebo vıce vychozıch uzlu je zmenena aktivacnı hodnota na vychozı
hodnotu, zpravidla je to hodnota 1.
3. Pro kazdy nevybuzeny uzel ni v grafu majıcı svoji aktivacnı hodnotu ai > F
se provedou prave jednou nasledujıcı kroky:
(a) pro kazdou hranu ei,j spojujıcı uzel ni na zacatku hrany s uzlem nj na
konci hrany upravıme takto aktivacnı hodnotu: a′j = aj + (ai · wi,j · D),
kde a′j znacı novou aktivacnı hodnotu.
(b) Pokud je aj > 1, pak bude nastaveno a′j = 1. A naopak – pokud je aj < 0,
pak bude nastaveno a′j = 0.
4. Pokud platı alespon jedna z nasledujıcıch podmınek, potom algoritmus v tomto
kroku koncı:
(a) na konci iterace majı vsechny uzly ai ≤ F ;
(b) existuje alespon jeden uzel, ke kteremu byla prenesena aktivacnı hodnota
z vıce nez jednoho vychozıho uzlu.
5. Kazdy uzel ni se oznacı jako vybuzeny, pokud je oznacen jako nevybuzeny
a zaroven na zacatku iterace byla jeho ai > F .
6. Prejde se na krok 3.
Pokud byl v kroku 1 pocet vychozıch uzlu vetsı nez 1, tak nektere variace tohoto
algoritmu umoznujı pro kazdy uzel ni rozlisit, ze ktereho vychozıho uzlu a kterou
cestou se do uzlu ni aktivacnı hodnota prenesla.
Nektere variace vyse popsaneho algoritmu umoznujı opakovane buzenı uzlu
a prenos aktivacnı hodnoty ve smyckach, ukoncenı algoritmu az pri stabilnıch ak-
tivacnıch hodnotach vsech uzlu s tolerancı ∆ nebo ukoncenı pri dosazenı urciteho
poctu iteracı.
28
6.2 Texai
Texai je nadejny projekt, jehoz cılem je vytvorit program, ktery je schopen textove
komunikovat s uzivatelem v prirozenem jazyce. Program funguje na principu metody
spreading activation. V ramci tohoto projektu jiz vznikla rozsahla databaze slov.
Bohuzel poslednı zverejnene soubory projektu Texai nesly datum z roku 2008,
takze je tezke o vyvoji tohoto projektu od roku 2008 neco rıci, coz jeste ztezuje
fakt ze v srpnu roku 2010 byly internetove stranky projektu Texai zruseny. Vedoucı
projektu Stephen L. Reed na dotaz ohledne stavu projektu odpovedel, ze projekt byl
pouze stazen z internetu z duvodu, aby bylo mozne jeho praci pozdeji patentovat.
Lze se tedy domnıvat, ze vhodne pouzitı metody spreading activation na semanticka
data muze vest az k patentum.
6.3 Navrzena metoda
Vyhledavanı znalostı bude probıhat metodou zalozenou na jiz drıve popsane me-
tode Spreading Activation. Bude se tedy jednat o sırenı akcnıho potencialu v sıti
v iteracıch.
29
7 EDITOR
Na obrazku 7.1 je ukazka editoru prıbehu. V kazdem prıbehu lze nastavit pocatecnı
podmınky a pak akce u kterych lze nastavit v jaky cas je ktery agent vygeneroval.
V ramci teto prace je kazdy prıbeh vztazen k urcitemu prostredı a je definovan
chronologicky serazenou posloupnostı udalostı, ktere nastaly v danem prostredı
a mnozinou objektu, ktere se v prıbehu vyskytujı.
Obr. 7.1: Editor prıbehu v jeho aktualnı verzi
30
8 MOZNE APLIKACE V PRAXI
Autor svoji pracı zamyslı vytvorit datovy model pro AGI. Ten ma byt soucastı
jadra, ktere lze pouzıt pro ruzna prostredı. Pro praxi uzitecne implementace ruznych
prostredı jsou zamysleny jako prace navazujıcı na autorovu praci patrıcı pod zakladnı
vyzkum. Nıze jsou uvedena mozna vyuzitı v praxi. Pokud to bude casove mozne
nebo pokud to dokonce bude nutne, pokusı se o implementaci nektereho prostredı
z realneho sveta i sam autor.
8.1 Roboti
Dnes jiz nenı neobvykle, ze mezi univerzitami hrana souteznı hra s roboty vypada
tak, ze v realnem svete je vyhrazen prazdny prostor, do ktereho jsou umısteni
pocıtacem rızenı roboti urcite univerzity nebo vıce univerzit. Jejich ukolem je samo-
statne splnit urcity cıl – napr. hrat fotbal, tj. dat robotum druheho tymu co nejvıce
golu do branky a zaroven svoji branku co nejvıce branit. Variace techto her mohou
byt ruzne.
Nebylo by vsak zajımave umoznit robotum zasılat mezi sebou textove zpravy
v prirozenem jazyce, ci v pokrocilejsı verzi dokonce nechat roboty akusticky komu-
nikovat v prirozenem jazyce? Dokazali by si pomahat pri plnenı ukolu? Motivacı by
robotum byla sance na uspesnejsı splnenı cıle, pokud by spolupracovali a vymena
informacı by jim byla umoznena prave jen textove nebo akusticky. K pouzıvanı
vyhradne prirozeneho jazyka by je nutil fakt, ze jelikoz by byl prirozeny jazyk pouzit
v trenovacıch datech, neznali by roboti jiny zpusob jak prenest informaci jinemu ro-
botovi, nez v prirozenem jazyce.
8.2 Pocıtacova hra
Jak jiz system svojı strukturou napovıda, mohl by byt pouzit v pocıtacove hre, ve
ktere je take virtualnı svet a jedna nebo vıce umelych virtualnıch bytostı ovladanych
pocıtacem. Melo by byt mozne pripravit mnozinu trenovacıch prıbehu, ktere by
tyto bytosti naucily reagovat na podnety alespon v takove mıre, ve ktere je to
u daneho stylu hry bezne. Avsak dıky pouzitı teto metody by bytosti mely byt
schopne pouzıvat sve znalosti i v podobnych ale shodnych situacıch s natrenovanymi
31
a take by mohly byt schopne se v prubehu hry ucit a tyto znalosti v kombinaci
s natrenovanymi od autoru hry, dale pouzıvat.
8.3 Komunikace v prirozenem jazyce
Synteza lidske reci pocıtacem, je jiz v dnesnı dobe mozna. Ale jak je na tom analyza
reci? Pocıtac muze odhadnout kontext z ostatnıch slov v diskuzi na zaklade statis-
tickych metod. Nebo se muze snazit rozpoznat vyrceny text bez chapanı kontextu.
Dejme tomu, ze jsou z mluvene reci rozpoznana jednotliva slova ve vete. Dejme tomu,
ze u kazdeho slova je rozpoznano vıce variant ktere slovo to mohlo byt. Kazda va-
rianta je ohodnocena pravdepodobnostı jak dalece je prave ona spravna a to ciste
jen na zaklade analyzy zvuku. Jak pak vybırat spravne varianty slov? Statistickymi
metodami? Nebylo by jeste presnejsı, kdyby spravna slova vybırala AGI, podobne
jako clovek, ktery mluvcıho spatne slysı a tak si musı slova temer domyslet?
8.4 Diar aneb inteligentnı osobnı asistent
Z urciteho uhlu pohledu je i osobnı diar virtualnı svet. Platı pro nej realny cas,
obsahuje naplanovane akce, ktere se tykajı urcitych mıst a urcitych osob. Nebylo
by zajımave, kdyby s uzivatelem diare prımo komunikovala umela inteligence (AI),
nahlızejıcı do jeho diare? Neco takoveho jiz funguje. Prodava ji firma Apple ve svych
produktech pod nazvem funkce”Siri“ a je to velmi popularnı funkce. Nepomaha
uzivateli jen pri pouzıvanı diare, ale je jeho osobnım asistentem. Muzeme se take
domnıvat, ze lze naprogramovat mnohem hodnotnejsıho umeleho pomocnıka, pokud
k tomu pouzijeme obecnou umelou inteligenci.
8.5 Robot ve skutecnem svete
Proc robota omezovat na urcity vyhrazeny temer prazdny prostor, kdyz jiz exis-
tujı roboti, kterı se dokazı vyhybat prekazkam a rozpoznavat urcite objekty, treba
i lidske obliceje. Tvrdit, ze dıky teto praci bude jednou vytvoren robot, ktery bude
vzhledem a take chovanım blızce napodobovat cloveka, by bylo velmi odvazne. Avsak
jestli takovyto robot jednou vznikne, bude rızen obecnou umelou inteligencı. V teto
praci je navrh jedne varianty datoveho modelu, zpusobu ucenı a zpusobu aplikace
32
znalostı obecne umele inteligence. Az bude jednou takovyto robot vznikat, bude
zrejme jeho umela inteligence postavena na jednom z techto modelu. O to vıce ma
smysl se touto problematikou zabyvat.
33
9 SCHOPNOSTI
9.1 Navrh podle Goertzela
Navrhem schopnostı pro AGI se tez zabyva [8]. V tabulce 9.1 jsou uvedeny typy
inteligence, jejich aspekty a testovanı podle [6], prevzate z [8]. Tabulka 9.2, prevzata
tez z tohoto navrhu, ukazuje navrzene testy pro typy inteligence z tabulky 9.1. Texty
v tabulkach jsou prelozeny z puvodnıho anglickeho do ceskeho jazyka.
Jak je patrne, tak napodobenı inteligence a chovanı cloveka v rozsahu schopnostı
uvedenych v techto tabulkach je znacne netrivialnı ukol. Avsak pokud jsou stanoveny
podstatne jednoduseji implementovatelne schopnosti a techto schopnostı je mensı
pocet, mohl by to byt jiz ukol realizovatelny v ramci teto prace. Prave proto jsou
navrzeny jednodussı vyse uvedene schopnosti a tyto tabulky jsou zde uvedene pouze
pro srovnanı s obdobnou pracı. Postup vyvoje AGI jak ve vyse zmınene praci, tak
i v teto praci, zahrnuje nasledujıcı kroky:
1. navrh schopnostı, jejichz dosazenı bude cılem;
2. navrh testu, kterymi bude zjisteno, zda urcene schopnosti byly dosazeny.
Tyto kroky jsou zahrnuty i v autorove praci. Nektere schopnosti byly v teto
kapitole popsany, jine mohou byt jeste pridany. Pozdeji budou vytvoreny testovacı
prıbehy overujıcı ovladanı implementovanych schopnostı. Hlavnım cılem je realizovat
tyto schopnosti se zachovanım principu AGI aneb spolecneho jadra AGI pro ruzna
prostredı.
9.2 Navrzene schopnosti
V jiz popsanem virtualnım prostredı bude simulovano lidske chovanı natrenovanım
semanticke neuronove sıte. Nıze uvedene schopnosti pro jejich rozsah pravdepodobne
nebudou ve finalnı verzi obsazeny vsechny, ale bude jich obsazeno co nejvıce. Tyto
schopnosti majı pomoci demonstrovat chovanı podobne cloveku. Tez lze najıt pod-
statne komplexnejsı a rozsahlejsı navrh schopnostı pro podobny projekt v [8].
34
Typy Inteligence Aspekty
Lingvistika slova a jazyk psany i mluveny; udrzenı, interpretace
a vyjadrenı myslenek a informacı jazykem, porozumenı
vztahu mezi komunikacı a vyznamem
Logika – Matematika logicke myslenı, detekce vzoru, vedecke uvazovanı a dedukce;
analyza problemu, provadenı matematickych vypoctu, poro-
zumenı vztahu mezi prıcinou a nasledkem vedoucımu k hma-
tatelnym vysledkum
Hudba hudebnı schopnosti, povedomı, ocenenı a pouzitı zvuku; roz-
poznavanı tonovych a rytmickych vzoru, porozumenı vztahu
mezi zvukem a pocitem
Telesne – Kinesteticke ovladanı telesnych pohybu, manualnı zrucnost, fyzicka hbi-
tost a rovnovaha; oko a telesna koordinace
Prostorove – Vizualnı vizualnı a prostorova percepce; interpretace a vytvarenı
obrazku; vytvarna predstavivost a vyjadrovanı; porozumenı
vztahu mezi obrazky a vyznamem, a mezi prostorem a efek-
tem
Mezilidske vztahy percepce citu ostatnıch lidı; vztahy k ostatnım; interpretace
chovanı a komunikace; porozumenı vztahu mezi lidmi a jejich
situacemi
Tab. 9.1: Typy inteligence, aspekty a testovanı podle [6], prevzate z [8]
35
Typy Inteligence Test
Lingvistika zapis mnoziny instrukcı; mluvenı na objekt; uprava a psanı
dıla nebo prace; zapis reci; komentovanı udalosti; aplikace
pozitivnıho nebo negativnıho”spinu“ k prıbehu
Logika – Matematika provadet aritmeticke vypocty; vytvorit proces na merenı
neceho; analyzovat, jak pracuje stroj; vytvorit proces; na-
vrhnout strategii k dosazenı cıle; posoudit hodnotu nabıdky
Hudba zahrat hudebnı dılo; zazpıvat pısen; zkritizovat hudebnı dılo;
ucit nekoho hrat na hudebnı nastroj
Telesne – Kinesteticke zonglovanı; demonstrace sportovnıch technik; preklopenı
pivnıho tacku; pantomimou neco vyjadrit; nadhazovat
palacinky; letat s papırovym drakem
Prostorove – Vizualnı navrhnout kostym; interpretovat kresbu; navrhnout
usporadanı mıstnosti; vytvorit firemnı logo; navrhnout
budovu; zabalit kufr nebo kufr auto
Mezilidske vztahy interpretovat nalady z oblicejovych vyrazu; demonstrovat
city jazykem tela; cılene pusobenı na city ostatnıch; ucit
nebo obhajovat jineho
Tab. 9.2: Ukoly pro hodnocenı prototypicke inteligence uvedene v tabulce 9.1,
prevzate z [8]
36
Zakladnı doplnovanı prıbehu
1. Naucene prıbehy ulozene v semanticke sıti reprezentujı urcite zkusenosti,
kterych lze vyuzıvat v novych prıbezıch, pokud je od umele inteligence
ocekavana reakce. Jedna se o napodobenı chovanı cloveka, ktery se v urcite
situaci zachova na zaklade znalosti podobnych situacı.
2. Navrzena AI bude umet najıt souvislost mezi aktualne se odehravajıcım
prıbehem a nalezenym jiz naucenym odpovıdajıcım podobnym prıbehem.
3. Navrzena AI bude umet najıt souvislost s aktualne se odehravanym prıbehem
a s vıce nez jednım nalezenym odpovıdajıcım jiz naucenym podobnym
prıbehem. Bude tedy schopna vyuzıvat znalostı s vıce prıbehu najednou.
Logika
1. Navrzena AI bude umet rozlisovat klad a zapor. Napr. zda je k nejakemu
objektu v prostredı dobre nebo naopak spatne se priblizovat apod.
Matematika
1. Navrzena AI bude umet rozlisovat pocet objektu.
2. Navrzena AI bude do jiste mıry umet rozlisovat cela cısla a porovnavat je mezi
sebou.
3. Navrzena AI bude umet prubezne optimalizovat svoji semantickou neuronovou
sıt’.
4. Navrzena AI bude umet propojovat vhodnymi vazbami spolu souvisejıcı uzly.
To pak pri generovanı akcı pomuze k efektivnejsımu vyhledavanı souvisejıcıch
prıbehu k prıbehu, ktery se prave odehrava.
Socialnı cıtenı
1. Duraz bude kladen tez na interakci agentu. Agenti budou umet spolu spolu-
pracovat a take rozlisovat, zda majı urcitemu agentovi duverovat nebo nikoliv,
zrejme na zaklade drıvejsıch prıbehu ve kterych tento agent figuruje.
2. Agenti budou umet spolupracovat ve skupinach. Spoluprace bude spocıvat
predevsım ve vymene cennych informacı formou textu v jazyce pro lidi
prirozenem.
37
Gramatika (textova komunikace)
1. Agent bude umet rozlisovat ruzne agenty a objekty dle jejich jmen, resp. nazvu.
2. Agent bude umet rozlisovat jednotne a mnozne cıslo.
3. Agent bude umet rozlisovat jazyky a komunikovat s jinymi agenty jazykem,
ktery odpovıda textum, jenz od nich prijal.
4. Tj. nejen je chapat, ale take je pouzıvat pri komunikaci (napr. ”Hello C, B is
our friend.”).
Fuzzy logika
1. Agent se bude umet rozhodovat i kdyz spravne rozhodnutı nebude mozne na
zaklade logiky urcit.
2. Agent bude do jiste mıry schopen pochopit i zkomolenou textovou zpravu
preklepy.
3. Bylo by dobre implementovat hodnocenı duvery u ostatnıch agentu a to tak,
aby se mohla postupem casu menit. Nebo aby byla rozlisovana na zaklade
kontextu, napr.”Agent AAA lze ohledne rozmıstenı potravy, ale jinak ma
pravdu.“
Predavanı informacı
Predavanı informacı bude probıhat zpusoby:
1. prenesenı informace bez vyzvanı,
2. polozenı a zodpovezenı otazky,
3. vypravenım prıbehu.
38
10 ZAVER
V teto praci byl popsan soucasny stav a navrh metody k tematu”Experimentalnı
model systemu zpracovanı jazyka a reci v mozku.“ Take bylo stanoveno nasledujıcı
tvrzenı: Aby umela inteligence dokazala urcitou elementarnı znalost spravne pouzıt
pri textove komunikaci, musı byt tato znalost definovana jinymi znalostmi nebo
atomickymi preddefinovanymi znalostmi. Tato prace si dava za cıl otestovat novou
experimentalnı cestu k vytvorenı jadra obecne umele inteligence napodobujıcı svojı
univerzalitou lidsky mozek.
10.1 Souhrn
Autor tohoto dokumentu v nem popisuje svoji praci patrıcı do oblasti obecne umele
inteligence, anglicky”Artificial General Intelligence“ (AGI). Tato oblast je zde de-
finovana. Je zde i uvedena motivace, proc se touto oblastı zabyvat. Strucne receno
se jedna o umelou inteligenci, ktera nema predprogramovana pravidla jako napr.
sachovy program, zpracovava a uklada znalosti v univerzalnım formatu nezavislem
na prostredı, ze ktereho prijıma znalosti a jadro teto umele inteligence zustava pro
ruzna prostredı naprogramovane stejne. Podobne jako lidsky mozek, ktery se dokaze
naucit mnoho dovednostı v mnoha oblastech, aniz by je mel nejakym zpusobem vro-
zene. Naprıklad jsme schopni se naucit hrat sachy, hrat na klavır, programovat, hrat
pocıtacove hry nebo jet na kole i kdyz jsme v dobe sveho narozenı nevedeli nic
o sachovnici, klavıru, pocıtaci nebo kole. Autor tohoto dokumentu se snazı o vy-
tvorenı stejne obecne fungujıcı umele inteligence bezıcı na beznem pocıtaci, kvuli
ktere navrhuje cely simulacnı program, ktery krome jadra AGI obsahuje prostredı,
metodu pro ukladanı a metodu pro aplikaci znalostı.
Tento dokument v jednotlivych kapitolach vysvetluje:
1. tema autorovy prace a proc je toto tema resitelne prave v oblasti AGI;
2. co to je AGI a proc je AGI v soucasne dobe tak dulezite;
3. ktere znalostnı systemy s AGI souvisı;
4. komponenty, aktualnı stav, mozne aplikace v praxi a planovane schopnosti
navrzeneho simulacnıho programu;
5. tento souhrn v zaveru a navrzene cıle doktorske prace.
39
10.2 Cıle doktorske prace
Pro prokazanı navrhu a implementace AGI je zde navrzeno splnenı minimalne
nasledujıcıch cılu:
1. aplikace nebo rozsırenı semanticke neuronove sıte nebo podobne datove struk-
tury v oblasti AGI, bude vyvinuta nova metoda pro ukladanı znalostı;
2. aplikace nebo rozsırenı metody spreading activation v oblasti AGI, bude vy-
vinuta nova metoda pro zıskavanı znalostı ulozenych navrzenou metodou pro
ukladanı znalostı;
3. vyvoj jednoho nebo vıce virtualnıch prostredı, ve kterych budou navrzene me-
tody testovany, mohou to byt napr. bludiste, sachovnice, inteligentnı diar, 2D
prostredı s minami, 3D prostor s letadly nebo vrtulnıky, . . . .
40
LITERATURA
[1] Amosov, N.; Basilevs, E.; Kasatkin, A. e. a.: M-Network as Possible Basis for
Construction of Heuristic Models. Cybernetica, rocnık 15, 1972: s. 169–186.
[2] Batliner, A.; Mobius, B.; Mohler, G.; aj.: Prosodic models, automatic speech un-
derstanding, and speech synthesis: towards the common ground. In EUROSPE-
ECH, Springer, 2001, s. 2285–2288.
[3] Deutsch, T.; Kohlhauser, S.; Perner, A.; aj.: Use-Cases For Performance Eva-
luation of Human-Mind Inspired Control Units. In IEEE AFRICON 2011,
IEEE, 345 E 47TH ST, NEW YORK, NY 10017 USA: IEEE, 2011, ISBN 978-
1-61284-993-5, s. 1–6, IEEE Africon Conference, Livingstone, ZAMBIA, SEP
13-15, 2011.
[4] Drachman, D. A.: Do we have brain to spare? Neurology, rocnık 64, c. 12, 2005,
doi:10.1212/01.WNL.0000166914.38327.BB.
[5] Dudar, Z.; Shuklin, D.: Implementation of neurons for semantic neural nets
that’s understanding texts in natural language. Radio-electronika i informatika
KhTURE, rocnık 4, 2000: s. 89–96.
[6] Gardner, H.: Frames of Mind: The Theory of Multiple Intelligences. New York:
Basic Books, 1983.
[7] Generic AI Ltd, .: Generic AI. [online]. [cit. 5. zarı 2013]. Dostupne z:
http://www.generic-ai.co.uk/
[8] Goertzel, B.; Bugaj, S. V.: AGI Preschool: A framework for evaluating early-
stage human-like AGIs. In Proceedings of the Second Conference on Artitificial
General Intelligence, 2009, s. 31–36.
[9] Goertzel, B.; de Garis, H.; Pennachin, C.; aj.: OpenCogBot: Achieving Gene-
rally Intelligent Virtual Agent Control and Humanoid Robotics via Cognitive
Synergy. In Proceedings of ICAI, rocnık 10, Beijing, 2010, s. 1–12.
[10] Goertzel, B.; Pennachin, C.; Geissweiller, N.; aj.: An Integrative Methodology
for Teaching Embodied Non-Linguistic Agents, Applied to Virtual Animals
in Second Life. In Proceedings of the 2008 conference on Artificial General
Intelligence 2008: Proceedings of the First AGI Conference, Amsterdam, The
Netherlands, The Netherlands: IOS Press, 2008, ISBN 978-1-58603-833-5, s.
161–175. [online]. [cit. 5. zarı 2013]. Dostupne z:
http://dl.acm.org/citation.cfm?id=1566174.1566190
41
[11] Grimm, M.; Kroschel, K. (editori): Robust Speech Recognition and Understan-
ding. I-Tech Education and Publishing, 2007, 460 s., doi:10.5772/46211. [online].
[cit. 5. zarı 2013]. Dostupne z:
http://goo.gl/iMm0F
[12] Grossman, L.: 2045: The Year Man Becomes Immortal. Time Magazine, Febru-
ary 2011.
[13] Harding, J.: Interview With Futurist Ray Kurzweil. The Daily Capitalist,
March 2012. [online]. [cit. 5. zarı 2013]. Dostupne z:
http://dailycapitalist.com/2012/03/06/interview-with-futurist-ray
[14] Hart, D.; Goertzel, B.: OpenCog: A Software Framework for Integrative Artifi-
cial General Intelligence. In ARTIFICIAL GENERAL INTELLIGENCE 2008,
Frontiers in Artificial Intelligence and Applications, rocnık 171, editace Wang,
P and Goertzel, B and Franklin, S, NIEUWE HEMWEG 6B, 1013 BG AM-
STERDAM, NETHERLANDS: I O S PRESS, 2008, ISBN 978-1-58603-833-5,
ISSN 0922-6389, s. 468–472, 1st Conference on Artificial General Intelligence,
Memphis, TN, MAR 01-03, 2008.
[15] Kurzweil, R.: The Singularity Is Near: When Humans Transcend Biology. Pen-
guin (Non-Classics), 2006, ISBN 0143037889.
[16] Moravec, H.: When will computer hardware match the human brain? Journal of
Evolution and Technology, rocnık 1, 1998. [online]. [cit. 5. zarı 2013]. Dostupne z:
http://www.transhumanist.com/volume1/moravec.htm
[17] Neumann, J.: Theory of self-reproducing automata. University of Illinois press,
Urbana and London, 1966, edited and completed by Arthur W. Burks.
[18] Newell, A.; Simon, H.: Computer Science As Empirical Inquiry - Symbols And
Search. Communications Of The ACM, rocnık 19, c. 3, 1976: s. 113–126, ISSN
0001-0782, doi:{10.1145/360018.360022}.
[19] Novamente LLC, .: Novamente. [online]. [cit. 5. zarı 2013]. Dostupne z:
http://wp.novamente.net/
[20] Psutka, J.; Kepka, J.: Umela inteligence: Reprezentace znalostı. ZCU - edicnı
stredisko, Zapadoceska Univerzita v Plzni, 1994.
[21] Russell, S.; Norvig, P.: Artificial Intelligence: A Modern Approach. Prentice
Hall Series in Artificial Intelligence, Prentice Hall, 2003, ISBN 9780137903955.
42
[22] Schank, C.; Tesler, L.: A conceptual dependency parser for natural language.
Association for Computational Linguistics Morristown, NJ, USA, 1969.
[23] Shuklin, D.: The Structure of a Semantic Neural Network Extracting the Me-
aning From a Text. Cybernetics and Systems Analysis, rocnık 37, c. 2, 2001: s.
182–186.
[24] Shuklin, D.: Realization of a Binary Clocked Linear Tree and Its Use for Proces-
sing Texts in Natural Languages. Cybernetics and Systems Analysis, rocnık 38,
2002: s. 503–508, springer New York, ISSN: 1060-0396.
[25] Shuklin, D.: The further development of semantic neural network models. In
Artificial Intelligence, 3, Donetsk, ”Nauka i obrazovanie”, Institute of Artificial
Intelligence, Ukraine, 2004, s. 598–606.
[26] Waser, M. R.: What Is Artificial General Intelligence? Clarifying The Goal For
Engineering And Evaluation. In ARTIFICIAL GENERAL INTELLIGENCE
PROCEEDINGS, Advances in Intelligent Systems Research, rocnık 8, editace
Goertzel, B and Hitzler, P and Hutter, M, Artificial Gen Intelligence Res Inst;
Assoc Adv Artificial Intelligence; Univ Memphis; Enhanced Educ; KurzweilAI
Net; Joi Labs; Univ Tennessee, Mach Intelligence Lab; Novamente LLC, 29
AVENUE LAVMIERE, PARIS, 75019, FRANCE: ATLANTIS PRESS, 2009,
ISBN 978-90-78677-24-6, ISSN 1951-6851, s. 186–191, 2nd Conference on Arti-
ficial General Intelligence, Arlington, VA, MAR 06-09, 2009.
43